Capcane¶
Situl acesta este tradus în treizeci și cinci de limbi, iar fiecare dintre ele a fost produsă rulând bucla pe care o predă documentația de față. După standardele industriei este un corpus mic și tot a fost de ajuns ca să nimerească majoritatea capcanelor care fac i18n mai greu decât pare.
Fiecare secțiune de mai jos este ceva ce chiar a mers prost aici, cum arăta la momentul respectiv și unde cade linia dintre ceea ce verifică biblioteca în locul tău și ceea ce rămâne judecata ta.
Redenumirea unei variabile retraduce o propoziție¶
Msgid-ul este cheia catalogului, iar un nume interpolat se află înăuntrul
lui. Mutarea unei singure constante la nivel de modul și scrierea ei cu
majuscule, așa cum cere stilul Python — author devenit AUTHOR —, a
transformat Copyright © 2026 {author} · MIT License într-un mesaj pe care
niciun catalog nu-l mai văzuse vreodată. Fiecare traducere a acelei linii ar fi
trecut din nou prin ciclul fuzzy, în fiecare limbă, pentru o redenumire care nu
schimba nimic din ce poate vedea un cititor.
Biblioteca nu te va opri: amândouă scrierile sunt nume valide de substituent. Ce face ea totuși este să facă numele să merite protejat — o interpolare trebuie să fie un nume simplu, așa că lucrul aflat în cheia catalogului este un cuvânt pe care un traducător îl poate citi, nu o expresie.
Cazul-oglindă este sigur prin construcție. Conversiile și specificațiile de
format nu fac parte din msgid, așa că strângerea lui {amount:,.2f} la
{amount:,.0f} nu schimbă nicio cheie și nu invalidează nicio traducere de
nicăieri.
nplurals=2 nu înseamnă două șiruri diferite¶
Turca, maghiara, persana și bengaleza declară toate două forme de plural, iar
în toate patru cele două forme ale unui mesaj numărat sunt, în mod legitim,
același șir — substantivul rămâne la singular după un numeral, așa că
{n} sayfa este corect și pentru o pagină, și pentru zece. Un revizor care
„repară” duplicarea strică traducerea.
Greșeala opusă este la fel de ușor de făcut. A treia formă a letonei există
pentru zero, singur; a doua a slovenei este un dual, pentru exact doi;
ultima formă a românei cere cuvântul de, pe care primele două ale ei nu
trebuie să-l aibă. Umplerea acelor sloturi cu un singular și un plural produce
un catalog care este greșit numai pentru numere pe care nu le testează nimeni.
Mai rău, ordinea sloturilor nu este semantică. Galeza își indexează cele
cinci forme astfel încât msgstr[0] să fie cazul general, iar msgstr[1]
singularul. Completarea lor în ordinea evidentă pune singularul exact acolo
unde îl va găsi orice mesaj nenumărat.
Biblioteca nu-și asumă nimic din toate acestea, și tocmai asta e ideea: regula de plural a limbii țintă stă în antetul propriului ei catalog, iar regula reuniune/intersecție permite ca o traducere să aibă mai multe forme, sau mai puține, decât sursa. Ce verifică ea este singurul lucru pe care îl poate verifica fără să cunoască limba — că fiecare formă păstrează substituenții de care are nevoie.
Două forme pot fi identice dintr-un motiv¶
Irlandeza are cinci forme de plural, iar în raportul de build al acestui sit
mai multe dintre ele se scriu la fel. Nu este o scăpare de copy-paste:
leathanach începe cu l, iar niciuna dintre cele două mutații inițiale pe
care le declanșează numeralele irlandeze nu se scrie pe l. Formele fac totuși
treabă adevărată — radicalul alternează între leathanach și leathanaigh,
iar numerele peste zece revin la singular —, dar niciun substantiv care
înseamnă „pagină” nu ar arăta contrastul.
Orice verificare care semnalează formele duplicate drept suspecte va semnala irlandeza corectă. Un om care știe limba este singurul revizor pentru asta.
Un mesaj se poate acorda cu un singur număr¶
Raportul de build al acestui sit spune câte pagini au fost randate și cât a
durat. Scrierea lui ca „Rendered {n} pages in {seconds} seconds” pare
inofensivă și nu este traductibilă: gettext alege o singură formă după un
singur număr, iar acel număr este n. Cuvântul seconds ar trebui să se
acorde cu un număr pe care mecanismul de plural nu-l vede niciodată.
Remediul este să faci din a doua cantitate un simbol de unitate în loc de un
cuvânt, iar simbolurile de unitate sunt ele însele localizate: cataloagele
acestui sit poartă s, с, ث, שנ׳ și mp, iar tipografia franceză,
spaniolă și suedeză vrea un spațiu înaintea simbolului acolo unde engleza nu
vrea. Nimic din toate astea nu este treaba bibliotecii — dar observarea
faptului că un mesaj are nevoie de două acorduri este, iar singura unealtă
pentru asta este să scrii mesajul altfel.
Modificarea unei propoziții englezești modifică gramatica străină¶
Pagina principală spunea odinioară „all ten language editions”. Eliminarea numărului — o modificare englezească de un singur cuvânt, făcută pentru că numărul se învechea mereu — a transformat un subiect la plural într-unul la singular. Spaniola, italiana, portugheza, rusa, ucraineana, greaca, neerlandeza și ebraica au trebuit toate să reacordeze verbul; câteva au avut nevoie și de schimbarea participiului.
O modificare a sursei care se citește ca fiind banală în engleză nu este banală
mai jos pe fir. Marcarea ei ca fuzzy, adică exact ce face pybabel update,
este mecanismul care îi dă fiecărui traducător șansa să observe.
Diferențele invizibile supraviețuiesc oricărui copy-paste¶
Ghidul citează un diagnostic care conține (nаme) — o escapare intenționată,
pentru că respectivul caracter este un а chirilic pe care niciun cititor nu-l
poate deosebi de cel latin. Traducătorii acestui sit au convertit acea escapare
în caracterul propriu-zis de cinci ori separate, în cinci limbi diferite,
producând de fiecare dată o pagină care arăta corect și era greșită.
Pe aceasta biblioteca chiar o prinde, și tocmai de aceea diagnosticele sunt alcătuite așa cum sunt: un substituent ale cărui litere amestecă sisteme de scriere este raportat de două ori, o dată lizibil și o dată escapat, pentru că forma escapată este singura scriere care le distinge. Un spațiu neîntreruptor dinăuntrul acoladelor este tipărit prin punctul lui de cod din același motiv. Verificatorul de cataloage refuză mesajul înainte ca acesta să poată fi livrat.
Nevid nu înseamnă tradus¶
Un catalog schelet, cu msgid-urile copiate în msgstr-uri, trece orice verificare naivă: nimic nu este gol, nimic nu este fuzzy, mulțimea de mesaje se potrivește exact. O ediție a acestui sit a fost livrată așa timp de câteva ore. La fel și opt pagini ale unei alte ediții, care erau copii identice la nivel de octet ale sursei englezești — ceea ce trece de o verificare ce compară blocurile de cod dintre ele, fiindcă sunt același fișier.
Niciuna dintre ele nu este ceva ce poate vedea o bibliotecă de traducere.
Amândouă sunt ieftin de testat, dar nu cerând ca fiecare intrare să difere de
sursa ei: OK, numele de produse, numele de persoane, acronimele și
identificatorii din cod se traduc toate prin ele însele, iar o verificare care
interzice asta produce fals-pozitive la nesfârșit.
Măsoară în schimb rata, pe un catalog întreg sau pe o pagină întreagă, și trimite valorile aberante la un om. Testul acestui sit face exact asta — compară liniile de proză ale fiecărei ediții cu sursa englezească și eșuează peste 25% identice. Ediția falsificată stătea la 87%; fiecare traducere autentică stă între 4% și 8%, coada mică de linii care coincid în mod legitim, cum sunt URL-urile și rezultatele de program citate. Cele două populații sunt suficient de departe una de alta încât pragul nu are nevoie să fie precis.
Catalogul nu este singurul lucru tradus¶
Două eșecuri de aici nu au avut nimic de-a face cu gettext.
Traducerea unui titlu schimbă ancora generată din el, așa că fiecare legătură dintr-o pagină în alta către acea secțiune se rupe — pe tăcute și numai în limba aceea. Situl de față fixează ancora englezească pe fiecare titlu, iar un test derivă lista așteptată din pagina englezească.
Iar generatorul de sit livrează traduceri de interfață pentru șaizeci și opt de limbi, printre care nu se numără swahili sau irlandeza. Fără una, buildul nu decade la engleză; includerea de șablon eșuează, iar ediția nu poate fi construită deloc. Două dintre fișierele proprii ale acestui depozit există ca să acopere acel gol.
Și uneltele tale au bug-uri¶
Pasul de CI pe care documentația de față îl recomandă pentru prinderea
cataloagelor rămase în urmă, pybabel update --check, nu poate face treaba
aceea pentru niciun proiect care folosește pgettext sau npgettext. Pe Babel
2.18.0 el raportă drept învechit fiecare catalog cu un msgctxt, la fiecare
rulare. Comparația trece prin Catalog.is_identical, care caută fiecare mesaj
după cheia sub care este stocat — iar pentru un mesaj cu context acea cheie este
perechea (id, context), pe care Catalog.get nu o acceptă. Căutarea nu
întoarce nimic, iar cataloagele nu ies niciodată egale:
>>> from babel.messages.catalog import Catalog
>>> c = Catalog(locale="ja")
>>> c.add("Guide", "ガイド", context="navigation")
<Message 'Guide' (flags: [])>
>>> c.is_identical(c)
False
A fost găsit aici încercând să fie folosit, raportat în amonte, iar verificarea de înlocuire este pe pagina de producție.
Lecția generală este cea incomodă: o poartă mereu roșie este mai rea decât nicio poartă, pentru că o echipă o oprește. Verifică dacă verificarea ta de CI chiar poate trece, înainte să te bizui pe ea că va pica.
La ce servește biblioteca, într-o singură propoziție¶
Cea mai mare parte a paginii de față este judecată pe care nicio unealtă nu o poate prelua. Ce poate face o unealtă este să garanteze că o traducere nu poate schimba structura propoziției pe care o traduce — nu poate să piardă o valoare, să inventeze una, să reformateze una sau să pătrundă în obiectele tale — și să spună asta într-o propoziție după care poate acționa persoana care trebuie să repare. Asta este tot ce promite biblioteca de față, iar restul acestui sit este felul în care se ține de promisiune.